在莎拉·卡普尼克的世界里，大西洋飓风和加州雪暴相差不远。就像所有气候现象一样，两者都是影响美国大片地区的混乱且看似无法梳理的变量的结果。因此，当她在一个海岸上进行预测季节性飓风和热带气旋的模型时，她想到，这个模型或许也能预测降雪。
这似乎是气候模型的一种奇怪用法，但这仅仅是因为我们常常将风暴视为局部、间歇性事件。在气候科学领域，我们已经达到了 可以提前三个月预测一般温度和降水量 的程度，但当卡普尼克工作的美国国家海洋和大气管理局（NOAA）发布冬季天气预报时，却不包含降雪。目前，这样的预报仍然难以实现。
卡普尼克的这项工作或许能改变这一现状。
“这确实是我们第一次尝试回答这个问题，”卡普尼克兴奋地说。这个问题是：如何预测一个冬天是否会多雪，以及为什么这样做如此困难？她解释说，与温度或降水量不同，提前几个月预测降雪涉及相互关联的变量。
“降雪更难，因为你需要合适的温度和降落速度才能形成雪，”她说。你需要预测每一次降水事件期间的条件，而不仅仅是一个区域在一个季节内会下多少水。我们的大气有不同的层次，每一层都有自己的密度和温度，所以水的降落速度有助于决定它是保持液体状态，还是变成雪或冰，你需要预测所有这些才能确定你得到的是六英寸蓬松的雪还是仅仅是冷雨。
整体的降雪量不仅取决于总降雪量，还取决于积雪保留的时间。在东海岸，雪往往会很快融化，而在西海岸（尤其是在山区），雪往往会堆积成积雪。卡普尼克和她的团队 正专注于积雪，因为对于许多地区来说，积累量才最重要。
山区积雪量决定了第二年春天有多少水流。依赖径流的城市通常可以在雪下完后弄清楚他们有多少水源，但卡普尼克的这项方法将允许他们在七月份就知道明年三月份是否会有大量的径流。
这是通过 模拟整个地球气候 一年来的变化来实现的。飓风是海洋和大气众多相互作用的组成部分的结果，她帮助构建的预测飓风的模型也能够预测其他气候事件，如雪暴。她只需要关注世界的不同部分。她选择关注美国西部，原因之一是，该海岸的城市更依赖积雪作为水源（东海岸全年都有降水，而西部大部分降水发生在冬季）。另一个原因是，数据更多。加利福尼亚、华盛顿和俄勒冈有更多的气象站，它们收集信息的时间更长——有些从20世纪30年代就开始了，大多数从20世纪50年代开始——因为它们更重视这个问题。当时的地区水务管理者希望弄清楚他们将获得多少水源，因此他们建立了一个系统来做到这一点。东海岸的水务管理者更容易获得水源，因此现在可用的数据较少。
为了预测实际的降雪，卡普尼克每年从7月1日开始运行模型，计算有数据的年份。她和她的团队会多次运行，得到10-12种可能的未来。当这些不同的可能性开始趋于一致时，他们就可以开始做出预测。这就像一遍又一遍地玩模拟游戏，直到你开始看到模拟结果的模式。空气和土壤中的水分、海洋的盐度、海面温度、大气层每一层的温度、风的方向和速度——所有这些都会被输入模型，然后输出降雪预测。
所有这些数据使他们能够提供概念验证，他们 在一月份下旬发表在《PNAS》杂志上，但距离农民和水资源管理者（以及你）能够获得季节性降雪预报，还需要一些改进。
然而，该模型并非在所有地区都有效。例如，在内华达山脉，气候变化很大。该地区大部分积雪是在少数几次大风暴中形成的，而且山脉本身非常狭窄，所以你试图在一个很小的区域预测一整年的天气。这有点像你当地的天气预报。预测宾夕法尼亚州平均会发生什么，通常比预测费城任何时候的温度都要容易。卡普尼克甚至不确定他们是否能够预测像内华达山脉这样的地方。“有两种看法。一种是，我们得不到好的预测，因为模型太混乱了，所以我们永远无法预测。更乐观的看法是，我们的模型缺少了什么，如果我们能找出是什么，我们就可以修复它。”
作为一名东海岸人，卡普尼克有兴趣将她的工作扩展到预测新英格兰冬季的降雪量。但她和她的团队必须努力改进所谓的初始化系统。这基本上意味着模型的起始状态——所有你开始时输入的数据。现在他们有大量来自海洋的信息，因为他们可以将卫星数据与 在水中采集温度和盐度测量数据 的无人机相结合。两者结合起来，提供了强大的预测能力。但他们仍然需要找到更好的方法来整合陆地和大气数据，以提高模型的准确性。从风速到土壤湿度的一切都可以输入模型——他们只需要知道如何将它们结合起来。
在我们开始看到公开预测之前，至少还需要几年时间，虽然对于那些渴望知道冬天会有多大雪的人来说，这可能感觉遥不可及，但卡普尼克想提醒我们，我们已经取得了很大的进步。“季节性预测最早始于20世纪80年代初的厄尔尼诺预测——第一篇论文在我四岁时发表，”她说。现在，她正在研究提前八个月预测积雪。“作为一名科学家，这是一个激动人心的时代，”她说，“但作为社会也是如此。我们可以在有生之年获得完整的季节性预测，从而让我们能够提前几个月根据天气来规划我们的生活。”
